In experiment 1 which investigates

In experiment 1 which investigates hypothesis 5 (i.e. trend timing method “before” is better than trend
timing method “after”), some interesting results are discovered. In addition to supporting hypothesis 5
(only when the refining method are not used), it also returns some surprising differences between the
two methods. The trend timing method “before” is much better at correctly labeling positive
documents than it is as labeling negative documents, and trend timing method “after” is much better at
correctly labeling negative news articles than it is at labeling positive news articles. See section 6.1.2
for experiment analysis.
The main purpose of experiment 2 is to investigate hypothesis 4 (i.e. label refining methods improves
the labels given by the basic price trend labeling method). This experiment clearly shows that label
73
refining helps. In FIGURE 6.5, where the classifier is tested on a automatically labeled test set, the FMeasure
goes from 0.35 with the basic labeling to 0.72 with label refining method two when trend
timing method “before” is used. When trend timing method after is used the F-Measure goes from
0.05 to 0.63. In FIGURE 6.7, where the classifier are tested on the manually labeled data set, the FMeasure
goes from 0.32 with the basic labeling to 0.42 with label refining method two when trend
timing method “before” is used. When trend timing method after is used the F-Measure goes from
0.07 to 0.44. This clearly shows that label refining improves the labels labeled by the basic price trend
method. See section 6.2.2 for experiment analysis.
Experiment 3 simulates trades by using the labels given by the trained classifier. Its main purpose is to
investigate hypothesis 1 and 2 (the system should perform better than random trading and it should
perform on the same level or better as trading with the manually labeled set). Both hypothesizes are
supported by the evidence found in this experiment. The results show that some of the methods
manage to get 0.5% return on average for each trade they perform. Which is promising given that each
trade is only lasting one day. This return is 15% of what the maximum possible return is. See section
6.3.2 for experiment analysis.
The news based trade decision support system proposed in this thesis is shown to be able to do some
good trading decisions. Systems like this can therefore be very beneficial for traders as a tool to help
making better trading decisions. With such a model it is easier to foresee future behaviors and
movement of stock prices. Thus it is also easier to take correct actions immediately and act properly in
trading decisions to gain more profits and prevent losses.

ผลลัพธ์ (ไทย) 1:

ในการทดสอบ 1 การตรวจสอบสมมติฐาน 5 (เช่นแนวโน้มวิธีการเวลา "ก่อน" จะดีกว่าแนวโน้มกำหนดเวลาวิธี "หลังจาก"), มีการค้นพบผลลัพธ์ที่น่าสนใจบางอย่าง นอกจากสนับสนุนสมมติฐาน 5(เฉพาะเมื่อวิธีการกลั่นที่ไม่ได้ใช้), มันยังส่งกลับค่าความแตกต่างรู้สึกประหลาดใจระหว่างวิธีที่ 2 วิธีแนวโน้มช่วงเวลา "ก่อน" จะดีที่ถูกต้องติดฉลากเป็นค่าบวกเอกสารที่เป็นติดฉลากเอกสารลบ และแนวโน้มเวลาวิธี "หลัง" เป็นดีที่อย่างถูกต้องติดฉลากข่าวลบมากกว่าที่ติดฉลากข่าวบวก ดูหัวข้อ 6.1.2สำหรับการวิเคราะห์การทดลองวัตถุประสงค์หลักของการทดสอบที่ 2 คือการ ตรวจสอบสมมติฐาน 4 (เช่นป้ายปรับวิธีการปรับปรุงตัวป้ายชื่อกำหนดแนวโน้มราคาพื้นฐานวิธีติดฉลาก) การทดลองนี้แสดงป้ายชื่อที่ชัดเจน 73ปรับช่วย ในรูป 6.5 ซึ่งมีทดสอบ classifier ที่ชุดทดสอบที่มีป้ายชื่อโดยอัตโนมัติ FMeasureแนวโน้มจาก 0.35 ด้วยพื้นฐานติดฉลากกับ 0.72 ป้ายกลั่นวิธีสองเมื่อวิธี "ก่อน" ที่กำหนดเวลาไว้ เมื่อใช้วิธีเวลาแนวโน้มหลังจาก ไปวัด F จาก0.05 ถึง 0.63 ในรูปที่ 6.7 ซึ่งทดสอบ classifier การชุดข้อมูลป้ายด้วยตนเอง FMeasureแนวโน้มจาก$ 0.32 มีการพื้นฐานติดฉลากกับ 0.42 ป้ายกลั่นวิธีสองเมื่อวิธี "ก่อน" ที่กำหนดเวลาไว้ เมื่อใช้วิธีเวลาแนวโน้มหลังจาก ไปวัด F จาก0.07 to 0.44. This clearly shows that label refining improves the labels labeled by the basic price trendmethod. See section 6.2.2 for experiment analysis.Experiment 3 simulates trades by using the labels given by the trained classifier. Its main purpose is toinvestigate hypothesis 1 and 2 (the system should perform better than random trading and it shouldperform on the same level or better as trading with the manually labeled set). Both hypothesizes aresupported by the evidence found in this experiment. The results show that some of the methodsmanage to get 0.5% return on average for each trade they perform. Which is promising given that eachtrade is only lasting one day. This return is 15% of what the maximum possible return is. See section6.3.2 for experiment analysis.The news based trade decision support system proposed in this thesis is shown to be able to do somegood trading decisions. Systems like this can therefore be very beneficial for traders as a tool to helpmaking better trading decisions. With such a model it is easier to foresee future behaviors andmovement of stock prices. Thus it is also easier to take correct actions immediately and act properly intrading decisions to gain more profits and prevent losses.

ผลลัพธ์ (ไทย) 2:

ในการทดลองที่ 1 สำรวจสมมติฐาน 5 (เช่นวิธีการระยะเวลาที่แนวโน้ม "ก่อน"
จะดีกว่าแนวโน้มระยะเวลาวิธีการ"หลัง") ผลที่น่าสนใจมีการค้นพบ นอกจากการสนับสนุนสมมติฐานที่ 5
(เฉพาะเมื่อวิธีการกลั่นไม่ได้ใช้)
ก็ยังผลตอบแทนที่แตกต่างที่น่าแปลกใจระหว่างสองวิธี วิธีการระยะเวลาแนวโน้ม "ก่อน"
จะดีกว่ามากในการติดฉลากอย่างถูกต้องในเชิงบวกเอกสารมากกว่าที่เป็นอยู่ในขณะที่การติดฉลากเอกสารลบและแนวโน้มระยะเวลาวิธีการ"หลัง"
จะดีกว่ามากที่ถูกต้องติดฉลากบทความข่าวเชิงลบมากกว่าที่เป็นอยู่ในการติดฉลากบทความข่าวในเชิงบวก ดูหัวข้อ 6.1.2
สำหรับการวิเคราะห์การทดลอง.
โดยมีวัตถุประสงค์หลักของการทดลองที่ 2 คือการตรวจสอบสมมติฐานที่ 4
(เช่นวิธีการกลั่นฉลากช่วยเพิ่มป้ายชื่อที่กำหนดโดยวิธีการติดฉลากแนวโน้มราคาพื้นฐาน) การทดลองนี้แสดงให้เห็นชัดเจนว่าฉลาก
73
การกลั่นจะช่วยให้ ในรูปที่ 6.5 ซึ่งจําแนกมีการทดสอบกับชุดทดสอบที่มีข้อความโดยอัตโนมัติ FMeasure
ไปจาก 0.35 กับการติดฉลากพื้นฐาน 0.72
ด้วยวิธีการกลั่นฉลากสองเมื่อแนวโน้มระยะเวลาวิธีการ"ก่อน" ถูกนำมาใช้ เมื่อวิธีการระยะเวลาหลังจากที่มีแนวโน้มจะใช้ F-วัดไปจาก
0.05 0.63 ที่จะ ในรูปที่ 6.7 ซึ่งจําแนกที่มีการทดสอบในชุดข้อมูลที่มีข้อความด้วยตนเองที่ FMeasure
ไปจาก 0.32 กับการติดฉลากพื้นฐาน 0.42
ด้วยวิธีการกลั่นฉลากสองเมื่อแนวโน้มระยะเวลาวิธีการ"ก่อน" ถูกนำมาใช้ เมื่อวิธีการระยะเวลาหลังจากที่มีแนวโน้มจะใช้ F-วัดไปจาก
0.07 0.44 ที่จะ
นี้แสดงให้เห็นชัดเจนว่าช่วยเพิ่มการกลั่นป้ายฉลากที่มีข้อความโดยแนวโน้มราคาพื้นฐานวิธี ดูหัวข้อ 6.2.2 สำหรับการวิเคราะห์การทดลอง.
ทดลอง 3 จำลองการซื้อขายโดยใช้ป้ายชื่อที่กำหนดโดยจําแนกผ่านการฝึกอบรม จุดประสงค์หลักของมันคือการตรวจสอบสมมติฐานที่ 1 และ 2 (ระบบควรทำงานได้ดีขึ้นกว่าการซื้อขายแบบสุ่มและมันควรจะดำเนินการในระดับเดียวกันหรือดีกว่าการค้ากับชุดที่มีข้อความด้วยตนเอง) สมมติฐานทั้งสองจะได้รับการสนับสนุนจากหลักฐานที่พบในการทดลองนี้ ผลการศึกษาพบว่าบางส่วนของวิธีการจัดการเพื่อให้ได้ผลตอบแทนที่ 0.5% โดยเฉลี่ยสำหรับพวกเขาดำเนินการค้าในแต่ละ ซึ่งเป็นสัญญาที่กำหนดว่าแต่ละการค้าที่ยั่งยืนเพียงหนึ่งวัน นี่คือผลตอบแทนที่ 15% ของสิ่งที่เป็นไปได้ผลตอบแทนสูงสุด ดูหัวข้อ6.3.2 สำหรับการวิเคราะห์การทดลอง. ตัดสินใจค้าข่าวตามระบบสนับสนุนที่นำเสนอในงานวิจัยนี้แสดงให้เห็นว่าสามารถที่จะทำบางตัดสินใจซื้อขายที่ดี ระบบเช่นนี้จึงสามารถเป็นประโยชน์มากสำหรับผู้ค้าเป็นเครื่องมือที่จะช่วยให้การตัดสินใจซื้อขายที่ดีขึ้น ด้วยรูปแบบดังกล่าวมันเป็นเรื่องง่ายที่จะทำนายพฤติกรรมในอนาคตและการเคลื่อนไหวของราคาหุ้น ดังนั้นมันจึงเป็นยังง่ายต่อการดำเนินการที่ถูกต้องทันทีและทำหน้าที่อย่างถูกต้องในการตัดสินใจซื้อขายที่จะได้รับผลกำไรมากขึ้นและป้องกันการสูญเสีย

ผลลัพธ์ (ไทย) 3:

ในการทดลองที่ 1 ศึกษาสมมติฐานที่ 5 ( เช่นแนวโน้มวิธีจับเวลา " ก่อน " ที่ดีกว่าวิธีที่ "
เวลาแนวโน้มหลัง " ) , ผลลัพธ์ที่น่าสนใจบางอย่างถูกค้นพบ นอกจากการสนับสนุนสมมติฐาน 5
( เมื่อปรับวิธีไม่ใช้ ) มันก็จะต่างกันที่น่าประหลาดใจระหว่าง
2 วิธีเวลาเทรนด์วิธี " ก่อน " ได้ดีมากในการติดฉลากเอกสารถูกต้องบวก
กว่าจะเป็นฉลากเอกสารลบ และแนวโน้มวิธีจับเวลา " หลัง " ได้ดีมากใน
อย่างถูกต้องฉลากบทความข่าวลบ กว่าจะติดฉลากบทความข่าวที่เป็นบวก ดูส่วนร

สำหรับการวิเคราะห์ผล จุดประสงค์หลักของการทดลองที่ 2 เพื่อศึกษาสมมติฐานที่ 4 ( เช่นวิธีการปรับฉลากเพิ่ม
ป้ายให้ โดยราคาพื้นฐานวิธีแนวโน้มการติดฉลาก ) การทดลองนี้แสดงให้เห็นชัดเจนว่า ป้าย

73 ) ช่วย ในรูปที่ 6.5 ซึ่งแบบทดสอบกับข้อความโดยอัตโนมัติชุดทดสอบ , fmeasure
ไปจากค่าพื้นฐานที่มีการติดฉลากเพื่อตนเองด้วยวิธีกลั่นฉลากสองเมื่อแนวโน้ม
วิธีจับเวลา " ก่อน " ที่ใช้เมื่อแนวโน้มวิธีจับเวลาหลังจากใช้ค่า F ไปจาก
0.05 0.63 . ในรูปอื่นๆ ซึ่งแบบทดสอบด้วยตนเองว่าในชุดข้อมูล การ fmeasure
ไปจาก 0.32 พื้นฐานที่มีการติดฉลากเพื่อทดสอบด้วยวิธีกลั่นฉลากสองเมื่อแนวโน้ม
วิธีจับเวลา " ก่อน " ที่ใช้ เมื่อแนวโน้มวิธีจับเวลาหลังจากใช้ค่า F ไปจาก
0.07 0.44 .นี้แสดงให้เห็นชัดเจนว่า ป้าย ป้ายข้อความ โดยปรับเพิ่มราคาพื้นฐานแนวโน้ม
วิธี ดูส่วน 6.2.2 สำหรับการวิเคราะห์ผลการทดลอง .
3 การทดสอบจำลองเทรดโดยใช้ป้ายที่ได้รับจากการฝึกอบรมลักษณนาม จุดประสงค์หลักคือเพื่อ
ตรวจสอบสมมติฐานที่ 1 และ 2 ( ระบบควรจะแสดงมากกว่าการซื้อขายแบบสุ่มและมันควรจะ
ดำเนินการในระดับเดียวกันหรือดีกว่า เช่น การซื้อขายด้วยตนเองป้ายชื่อชุด ) มีทั้ง hypothesizes
ได้รับการสนับสนุนจากหลักฐานที่พบในการทดลอง ผลที่ได้แสดงให้เห็นว่าบางส่วนของวิธีการที่
ได้ 0.5% อัตราผลตอบแทนเฉลี่ยในแต่ละการค้าที่พวกเขาดำเนินการ ซึ่งมีสัญญาระบุว่าการค้าแต่ละ
จะยาวนานเพียงวันเดียว คืน 15% ของสิ่งที่เป็นไปได้สูงสุดกลับมาเป็น ดูมาตรา
6.3.2 สำหรับการวิเคราะห์ผลการทดลอง .
ข่าวจากการค้า ระบบสนับสนุนการตัดสินใจเสนอในวิทยานิพนธ์นี้จะแสดงให้เห็นถึงสามารถทำ
การตัดสินใจซื้อขายดี ระบบนี้จึงสามารถเป็นประโยชน์มากสำหรับผู้ค้าเป็นเครื่องมือในการช่วย
การตัดสินใจซื้อขายดีกว่า ด้วยเช่นรูปแบบมันง่ายที่จะล่วงรู้พฤติกรรมในอนาคตและ
การเคลื่อนไหวของราคาหุ้นดังนั้นมันยังง่ายต่อการใช้ การกระทำที่ถูกต้องทันทีและแสดงอย่างถูกต้องในการตัดสินใจซื้อขายเพื่อให้ได้ผลกำไรมากขึ้น
และป้องกันการสูญเสีย